基站唤醒方法、装置、基站及计算机可读存储介质制造方法及图纸

本公开提供了一种基站唤醒方法、装置、基站及计算机可读存储介质，涉及通信技术领域，所述方法包括：确定目标小区的M层邻区，M≥2，M为正整数；确定目标小区和每层邻区的N种负载参数，N≥1，N为正整数；构建第j种负载参数对应的输入矩阵，1≤j≤N，j为正整数，包括：计算目标小区的第一参考值；计算第1层邻区至第M

【技术实现步骤摘要】
基站唤醒方法、装置、基站及计算机可读存储介质


[0001]本公开涉及通信
，尤其是一种基站唤醒方法、装置、基站及计算机可读存储介质。

技术介绍

[0002]基站可以通过载波关断和小区休眠等方式进入深度节能模式。在基站处于深度节能模式的情况下，若发生例如观看大型赛事比赛、节日集会和春运等突发事件，由于用户业务的突然增长且用户的移动不具有规律性，则往往需要及时地对处于休眠状态的小区进行突发唤醒以便为用户提供服务。
[0003]相关技术中，一般通过预设的负载阈值对处于休眠状态的小区进行自动唤醒，即当网络负载超过预设的阈值时，则对处于休眠状态的小区实施唤醒以便为接入该小区的用户提供服务。

技术实现思路

[0004]专利技术人注意到，在发生突发事件的情况下，按照相关技术中的方法对处于休眠状态的小区进行唤醒控制，没有考虑突发事件下的人流移动性，从而导致唤醒控制的准确度较低。
[0005]为了解决上述问题，本公开实施例提出了如下解决方案。
[0006]根据本公开实施例的一方面，提供一种小区唤醒方法，包括：确定目标小区的M层邻区，M≥2，M为正整数；确定所述目标小区和每层邻区的N种负载参数，N≥1，N为正整数；构建第j种负载参数对应的输入矩阵，1≤j≤N，j为正整数，包括：计算所述目标小区的第一参考值，所述第一参考值包括所述目标小区的第1层邻区中每个邻区的第j种负载参数与所述目标小区的第j种负载参数之间的差值；计算第1层邻区至第M
‑
1层邻区中每个邻区的第二参考值，所述第二参考值包括该邻区的第1层邻区中每个邻区的第j种负载参数与该邻区的第j种负载参数之间的差值；和构建由中心元素值和所述中心元素值周围的M
‑
1圈元素值组成的输入矩阵，所述中心元素值基于所述第一参考值确定，第i圈元素值基于第i层邻区中每个邻区的第二参考值确定，1≤i≤M
‑
1，i为正整数；将每种负载参数对应的输入矩阵输入训练好的神经网络模型中，以得到决策结果，所述决策结果为唤醒结果和不唤醒结果中的一种；基于所述决策结果决定是否唤醒所述目标小区。
[0007]在一些实施例中，所述第i层邻区中邻区的数量为a，所述第i圈元素值中第m个元素值和所述中心元素值之间的相对位置关系与所述第i层邻区中第m个邻区和所述目标小区之间的相对位置关系一致，所述第i圈元素值中第m个元素值基于所述第i层邻区中第m个邻区的第二参考值确定，1≤m≤a。
[0008]在一些实施例中，所述第二参考值包括以该邻区的第1层邻区中每个邻区的第j种负载参数为被减数、以该邻区的第j种负载参数为减数计算得到的差值，所述第i圈元素值中第m个元素值基于所述第i层邻区中第m个邻区的第二参考值中为正数的差值之和确定。
[0009]在一些实施例中，所述第一参考值包括以所述目标小区的第1层邻区中每个邻区的第j种负载参数为被减数、以所述目标小区的第j种负载参数为减数计算得到的差值，所述中心元素值基于所述第一参考值中为正数的差值之和确定。
[0010]在一些实施例中，所述中心元素值为所述第一参考值中为正数的差值之和的X倍，所述第i圈元素值中第m个元素值为所述第i层邻区中第m个邻区的第二参考值中为正数的差值之和的X倍，X≠0。
[0011]在一些实施例中，X＝1。
[0012]在一些实施例中，所述N种负载参数包括小区激活用户数和小区无线资源控制连接数。
[0013]在一些实施例中，所述N种负载参数还包括小区能耗和小区流量。
[0014]在一些实施例中，所述N种负载参数还包括小区切换率和小区资源利用率。
[0015]在一些实施例中，所述神经网络模型包括卷积神经网络，所述神经网络模型根据如下方式进行训练：获取样本矩阵，所述样本矩阵包括多个样本矩阵，所述多个样本矩阵包括多个第一样本矩阵和多个第二样本矩阵；以所述多个第一样本矩阵为输入、以唤醒结果为输出，并且以所述多个第二样本矩阵为输入、以不唤醒结果为输出，对所述神经网络模型进行训练。
[0016]在一些实施例中，所述神经网络模型还包括长短期记忆网络，所述神经网络模型的输入为所述卷积神经网络的输入，所述神经网络模型的输出为所述长短期记忆网络的输出，所述多个样本矩阵包括Q组样本矩阵，Q≥2，不同组样本矩阵的采集时间不同，每组样本矩阵包括采集时间相同的至少一个第一样本矩阵和至少一个第二样本矩阵，第p组样本矩阵的采集时间在第p+1组样本矩阵的采集时间之前，1≤p≤Q
‑
1；所述以所述多个第一样本矩阵为输入、以唤醒结果为输出，并且以所述多个第二样本矩阵为输入、以不唤醒结果为输出，对所述神经网络模型进行训练包括：以所述第p组样本矩阵中至少一个第一样本矩阵为输入、以唤醒结果为输出，并且以所述第p组样本矩阵中至少一个第二样本矩阵为输入、以不唤醒结果为输出，对所述神经网络模型进行第一训练；在所述第一训练后，以所述第p+1组样本矩阵中至少一个第一样本矩阵为输入、以唤醒结果为输出，并且以所述第p+1组样本矩阵中至少一个第二样本矩阵为输入、以不唤醒结果为输出，对所述神经网络模型进行第二训练。
[0017]根据本公开实施例的另一方面，提供一种小区唤醒装置，包括：第一确定模块，被配置为确定目标小区的M层邻区，M≥2，M为正整数；第二确定模块，被配置为确定所述目标小区和每层邻区的N种负载参数，N≥1，N为正整数；构建模块，被配置为构建第j种负载参数对应的输入矩阵，1≤j≤N，j为正整数，包括：计算所述目标小区的第一参考值，所述第一参考值包括所述目标小区的第1层邻区中每个邻区的第j种负载参数与所述目标小区的第j种负载参数之间的差值；计算第1层邻区至第M
‑
1层邻区中每个邻区的第二参考值，所述第二参考值包括该邻区的第1层邻区中每个邻区的第j种负载参数与该邻区的第j种负载参数之间的差值；和构建由中心元素值和所述中心元素值周围的M
‑
1圈元素值组成的输入矩阵，所述中心元素值基于所述第一参考值确定，第i圈元素值基于第i层邻区中每个邻区的第二参考值确定，1≤i≤M
‑
1，i为正整数；输入模块，被配置为将每种负载参数对应的输入矩阵输入训练好的神经网络模型中，以得到决策结果，所述决策结果为唤醒结果和不唤醒结果中
的一种；决定模块，被配置为基于所述决策结果决定是否唤醒所述目标小区。
[0018]根据本公开实施例的又一方面，提供一种小区唤醒装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行上述任意一个实施例所述的方法。
[0019]根据本公开实施例的还一方面，提供一种基站，包括上述任意一个实施例所述的装置。
[0020]根据本公开实施例的还一方面，提供一种计算机可读存储介质，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述任意一个实施例所述的方法。
[0021]根据本公开实施例的还一方面，提供一种计算机程序产品，包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小区唤醒方法，包括：确定目标小区的M层邻区，M≥2；确定所述目标小区和每层邻区的N种负载参数，N≥1；构建第j种负载参数对应的输入矩阵，1≤j≤N，包括：计算所述目标小区的第一参考值，所述第一参考值包括所述目标小区的第1层邻区中每个邻区的第j种负载参数与所述目标小区的第j种负载参数之间的差值；计算第1层邻区至第M
‑
1层邻区中每个邻区的第二参考值，所述第二参考值包括该邻区的第1层邻区中每个邻区的第j种负载参数与该邻区的第j种负载参数之间的差值；和构建由中心元素值和所述中心元素值周围的M
‑
1圈元素值组成的输入矩阵，所述中心元素值基于所述第一参考值确定，第i圈元素值基于第i层邻区中每个邻区的第二参考值确定，1≤i≤M
‑
1；将每种负载参数对应的输入矩阵输入训练好的神经网络模型中，以得到决策结果，所述决策结果为唤醒结果和不唤醒结果中的一种；基于所述决策结果决定是否唤醒所述目标小区。2.根据权利要求1所述的方法，其中，所述第i层邻区中邻区的数量为a，所述第i圈元素值中第m个元素值和所述中心元素值之间的相对位置关系与所述第i层邻区中第m个邻区和所述目标小区之间的相对位置关系一致，所述第i圈元素值中第m个元素值基于所述第i层邻区中第m个邻区的第二参考值确定，1≤m≤a。3.根据权利要求2所述的方法，其中，所述第二参考值包括以该邻区的第1层邻区中每个邻区的第j种负载参数为被减数、以该邻区的第j种负载参数为减数计算得到的差值，所述第i圈元素值中第m个元素值基于所述第i层邻区中第m个邻区的第二参考值中为正数的差值之和确定。4.根据权利要求3所述的方法，其中，所述第一参考值包括以所述目标小区的第1层邻区中每个邻区的第j种负载参数为被减数、以所述目标小区的第j种负载参数为减数计算得到的差值，所述中心元素值基于所述第一参考值中为正数的差值之和确定。5.根据权利要求4所述的方法，其中，所述中心元素值为所述第一参考值中为正数的差值之和的X倍，所述第i圈元素值中第m个元素值为所述第i层邻区中第m个邻区的第二参考值中为正数的差值之和的X倍，X≠0。6.根据权利要求5所述的方法，其中，X＝1。7.根据权利要求1所述的方法，其中，所述N种负载参数包括小区激活用户数和小区无线资源控制连接数。8.根据权利要求7所述的方法，其中，所述N种负载参数还包括小区能耗和小区流量。9.根据权利要求8所述的方法，其中，所述N种负载参数还包括小区切换率和小区资源利用率。10.根据权利要求1
‑
9任意一项所述的方法，其中，所述神经网络模型包括卷积神经网络，所述神经网络模型根据如下方式进行训练：获取样本矩阵，所述样本矩阵包括多个样本矩阵，所述多个样本矩阵包括多个第一样本矩阵和多个第二样本矩阵；以所述多个第一样本矩阵为输入、以唤醒结果为输出，并且以所述多个第二样本矩阵
为输入、以不唤醒结...

【专利技术属性】
技术研发人员：赖琮霖，李力卡，张青，张慧嫦，刘心唯，刘琦，刘保华，曾焕浩，陈园光，张家铭，余淼，付薇薇，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：